Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciência de Dados

Departamento / Department

ISCTE

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

-

Objetivos Gerais / Objectives

Compreender e aplicar a análise supervisionada em tarefas de classificação e regressão.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

OA1: Compreender os métodos de aprendizagem supervisionada: âmbitos de aplicação e procedimentos OA2: Utilizar software R para realizar as análises de dados OA3: Avaliar e interpretar os resultados das análises de dados

Conteúdos Programáticos / Syllabus

CP1: Sobre Aprendizagem Supervisionada Tipologias Dados para aprendizagem Funções objetivo Avaliação e seleção de modelos Notas sobre inferência estatística CP2: Métodos de Regressão K- Nearest Neighbor Árvores de Regressão (algoritmo CART) CP3: Métodos de Classificação Naive Bayes K-Nearest-Neighbor Regressão Logística Árvores de Classificação (algoritmo CART)

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

A demonstração de coerência apresentada decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: OA1- todos os CP OA2 - todos os CP OA3 - todos os CP

Avaliação / Assessment

A avaliação da Unidade Curricular pode ser feita recorrendo à Avaliação ao Longo do Semestre ou à Avaliação por Exame. AVALIAÇÃO AO LONGO DO SEMESTRE: - quiz online realizado em grupo (40%) com nota mínima de 9 valores - teste individual (60%) com nota mínima 9 valores. A aprovação requer nota mínima de 10 valores. AVALIAÇÃO POR EXAME: 1ª parte - teste individual (60%) 2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software R usada nas aulas (40%). Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 valores para aprovação. Escala 0-20

Metodologias de Ensino / Teaching methodologies

As aulas da Unidade Curricular são teórico-práticas. Nestas aulas serão aplicadas diversos modelos e metodologias de ensino. As aulas teórico-práticas permitem utilizar metodologias de ensino expositivas, experimentais e de discussão. A Metodologia Expositiva (ME1) é utilizada para apresentar os quadros teóricos de referência de forma que os alunos adquiram os conceitos das metodologias mencionadas nos conteúdos programáticos. A Metodologia Experimental (ME2) é utilizada para efetuar análises de dados. Esta metodologia será aplicada em aula e na resolução do trabalho de grupo, recorrendo ao software R. A Metodologia de Discussão (ME3) é utilizada para interpretar e discutir os resultados obtidos. Além das metodologias já mencionadas, o Trabalho Autónomo dos alunos é relevante para a aquisição e o desenvolvimento das competências. O Trabalho Autónomo consiste na leitura da bibliografia, na resolução de exercícios e na resolução do trabalho de grupo. O Planeamento de Aulas inclui linhas orientadoras para o Trabalho Autónomo.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As metodologias de ensino (ME) visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem (OA). Os objetivos de aprendizagem consistem na aquisição de competências sobre métodos de aprendizagem supervisionada, realização de análises de dados, avaliação e interpretação dos resultados das análises de dados. A grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino (ME) e os respetivos objetivos de aprendizagem (OA): ME1 – Objetivos de aprendizagem OA1e OA3 ME2 – Objetivos de aprendizagem OA2 ME3 – Objetivos de aprendizagem OA1, OA2 e OA3 À exceção da utilização do software R, todos os objetivos de aprendizagem serão avaliados no teste individual. No trabalho de grupo, todos os objetivos de aprendizagem são avaliados.

Observações / Observations

Os estudantes abrangidos pelo “Regulamento de Estudantes com Estatuto Especial” deverão contactar o docente da UC, ou o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e de avaliação na Unidade Curricular.

Bibliografia Principal / Main Bibliography

Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Springer. Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer. Lantz, B. (2023). Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data. 4th Edition. Packt Publishing. Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.

Bibliografia Secundária / Secondary Bibliography

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.

Data da última atualização / Last Update Date

2024-07-25